BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi?

Transkripsi

1 BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? a. Ada ketidak-pastian aktivitas produksi di masa yag akan datang b. Kemampuan & sumber daya perusahaan yang terbatas c. Untuk dapat melayani konsumen lebih baik, melalui tersedianya hasil produksi yang Baik Apa Tujuan Peramalan dalam Manajemen Operasional? a. Mengurangi ketidak-pastian produksi b. Agar langkah Proaktif / Antisipatif dapat dilakukan c. Keperluan penjadwalan produksi Apa yang mempengaruhi valid / tidaknya hasil ramalan? a. Identifikasi masalahnya b. Pemilihan dan pengumpulan datanya (tidak reliabel, valid, dan lengkap ) c. Pemilihan alat atau metode peramalannya d. Interprestasi hasil / penerjemahan hasil Apa Syarat Penduga yang Baik? a. Tidak Bias ( Sesuai dengan Kenyataan) Y = kenyataan Y = hasil ramalan Tidak Bias Bias Bahan Ajar MO_Bab 3 Aris Budi Setyawan 42

2 b. Harus Efisien ( Memiliki Varian yang Kecil) c. Harus Konsisten ( Semakin Besar n, Semakin mendekati kenyataan ) d. Memiliki Mean Square Error ( MSE) yang kecil PENDEKATAN DALAM PERAMALAN PRODUKSI A. PENDEKATAN KUALITATIF 1. Juri Opini Eksekutif. Dalam metode ini, peramalan dilakukan oleh eksekutif /manajer tingkat atas perusahaan, karena kemampuan yang mereka miliki 2. Metode Delphi, dilakukan dengan melengkapi data untuk peramalan dengan membagikan daftar pertanyaan kepada konsumen/masyarakt Bahan Ajar MO_Bab 3 Aris Budi Setyawan 43

3 3. Tenaga Penjualan. Peramalan dilakukan dengan memanfaatkan kedekatan tenaga penjual dengan konsumen 4. Survei Pasar, dimana peramalan dilakukan dengan turun langsung ke lapangan/pasar, sehingga diperoleh informasi langsung dari pasar. B. PENDEKATAN KUANTITATIF B.1. Analisis Runtun Waktu (Time Series) Secara umum dapat dijelaskan, bahwa peramalan produksi dengan pendekatan analisis runtun waktu, dilakukan dengan memanfaatkan data masa lalu yang dimiliki perusahaan, secara series (runtut). Data yang dimiliki perusahaan, dapat saja menunjukkan macammacam pola data, seperti terlihat pada gambar berikut ini : Tren Musiman Siklis Konstan Acak Teknik peramalan yang dapat digunakan untuk memanfaatkan data masa lalu ini diantaranya adalah : a. Teknik Freehand b. Teknik Kuadrat Terkecil Y = a + bx, dimana nilai (a) dan (b) dapat dicari dengan rumusan : a = Y / n & b = XY / X² Bahan Ajar MO_Bab 3 Aris Budi Setyawan

4 Namun demikian, seringkali periode data yang dimilki perusahaan tidak selalu dalam jumlah periode yang sama, dalam arti bisa ganjil (3, 5, 11, 25 periode) dan juga bisa genap ( 10 atau 20 periode). Hal ini tentunya membutuhkan perlakuan yang berbeda dalam analisisnya. Apabila Data Ganjil Periode Januari Februari Maret April Mei Permintaan (Y) Bobot (X) XY X² Dari tabel di atas dapat diperoleh persamaan peramalannya, dengan menghitung terlebih dahulu nilai konstanta (a) dan kemiringan (b) nya, seperti terlihat berikut ini : a = 222/5 =.4 b = -3/10 = -0.3, sehingga persamaan untuk melakukan peramalannya adalah: Y = a + bx Y = X, Dengan demikian perkiraan nilai permintaan atau produksi yang harus dipenuhi untuk bulan Juni adalah sebesar : Y Juni = (3) bulan Juni memiliki bobot (X) sebesar 3 = 43.5 unit Bahan Ajar MO_Bab 3 Aris Budi Setyawan

5 Bila Data Genap Permintaan (Y) (X) -5-3 Cara selanjutnya sama 46-1 dengan contoh Data Ganjil Bila tahun / periode pertama sebagai tahun dasar ( X = 0) Apabila pertimbangan data ganjil dan data genap ingin diabaikan, tanpa khawatir terjadi kesalahan dalam melakukan perhitungan peramalan, maka cara berikut ini dapat menjadi pilihan. Periode Permintaan(Y) (X) XY X² Januari Februari 1 1 Maret April Mei Apabila cara ini yang dipilih, maka untuk mendapatkan nilai a dan b, rumus yang digunakan adalah : a = Y X² X XY = 222(30) 10 (1) = N. X² ( X)² 5 (30) (10) ² Bahan Ajar MO_Bab 3 Aris Budi Setyawan 46

6 b = n. XY X Y = 5(1) 10(222) = - 0,3 n. X² ( X)² 5(30) (10)² sehingga persamaan untuk melakukan peramalannya adalah: Y = a + bx Y = 0.3X, Bandingkan hasilnya dengan contoh terdahulu, dan secara umum dapat dikatakan menghasilkan persamaan peramalan yang sama, hanya ada perbedaan sedikit dalam nilai konstantanya. C. Teknik Rata-Rata Bergerak Metode ini dihitung dengan cara mencari rata-rata dari beberapa nilai periode sebelumnya. Berikut ini contoh peramalan, dimana hasil peramalan produksi bulan Juli diperoleh dengan menghitung rata-rata dari nilai produksi tiga bulan sebelumnya (ratarata produksi dari bulan April s.d. Juni). Periode Permintaan (Y) dengan n = 3 Atau Januari Februari Maret April Mei Juni Juli..( )/3 = 46 43? ( )/3 = ( )/3 =,33 ( )/3 =,33 ( )/3 = Jadi, hasil perkiraan permintaan/produksi bulan Juli adalah sebesar unit Bahan Ajar MO_Bab 3 Aris Budi Setyawan 47

7 D. Teknik Rata Rata Bergerak Tertimbang Metode ini hampir sama dengan metode sebelumnya, hanya saja nilai setiap periode sebelumnya diberi bobot sesuai jangka waktunya. Nilai produksi satu periode sebelumnya akan memiliki bobot yang lebih besar dari nilai produksi dua periode sebelumnya, dan nilai produksi dua periode sebelumnya ini akan memiliki bobot yang lebih besar dari nilai produksi tiga periode sebelumnya, begitu setrusnya. Mengapa demikian? F t-1 = W t. X t + W t-1. X t-1 + +W t - N+1. X t-n+1 F t-1 = Nilai Ramalan pada periode t-1 W t = Bobot Nilai Aktual Periode t W t-1 = Bobot Nilai Aktual Periode t-1 (dst..) X t = Nilai Aktual Periode t X t-1 = Nilai Aktual Periode t-1 (dst ) Bobot periode t > t-1 Bobot Periode t-1 > t-2 Contoh : ( Periode Rata Rata Bergerak : 3 periode ) Periode permintaan Estimasi /Ramalan Januari Februari Maret April Mei Juni Juli 46 43? 0,2()+0,3()+0,5(46) =,2 0,2()+0,3(46)+0,5(43) =,1 0,2(46)+0,3(43)+0,5() =,1 0,2(43)+0,3()+0,5() =.3 Bahan Ajar MO_Bab 3 Aris Budi Setyawan 48

8 Catatan Bobot Periode t = 50% (t-1), Mengapa periode ini bobotnya paling besar? Bobot Periode t-1 = 30% (t-2) Bobot periode t-2 = 20% (t-3) 100% Perhatikan, bahwa untuk mendapatkan hasil peramalan bulan Juli, nilai produksi bulan Juni memiliki bobot yang lebih besar (50%) dibanding bobot nilai produksi bulan Mei (30%), dan yang paling kecil bovotnya adalan nilai produksi bulan April (20%). Mengapa demikian? E. Teknik Exponential Smothing (Tunggal) F t = (F t-1 + α (A t-1 F t-1 ) F t = Periode t yang diramalkan F t-1 = Hasil ramalan periode t-1 A t-1 = Nilai sebenarnya periode t-1 α = porsi perbedaan nilai sebenarnya & hasil ramalan periode terakhir ( 0 < α <1 ) Dengan mengasumsikan α = 0,2, maka bila digunakan contoh pada Rata-rata bergerak tertimbang, hasil ramalan bulan Juli dengan teknik Exponential Smoothing adalah : Periode permintaan Estimasi /Ramalan April Mei Juni Juli 43? 0,2()+0,3()+0,5(46) =,2 0,2()+0,3(46)+0,5(43) =,1 0,2(46)+0,3(43)+0,5() =,1 0,2(43)+0,3()+0,5() =.3 F Juli = F Juni + α ( A Juni F Juni ) =,1 + 0,2 (,1) =,28 (Bandingkan hasilnya dengan teknik sebelumnya) Bahan Ajar MO_Bab 3 Aris Budi Setyawan 49

9 PENGARUH TREND DALAM EXPONENTIAL SMOOTHING Jika ternyata permintaan yang sebenarnya pada bulan Juli sebesar 46 ( bukan,28), maka ramalan Agustus dengan Trend (FTT) adalah. FTT = F t + T t Ft = F t-1 + α ( A t-1 F t-1 ) =,28 + 0,2 (46,28) =,62 Tt = T t-1 + β (F t F t-1 ), = jika β 0,3 & Trend tahun sebelumnya =10,maka : Tt = ,3 (.62,28) = 10,102 FTT Agust = Ft + Tt =, ,102 = 54,722 E. Teknik Seasonal Index Teknik peramalan produksi ini digunakan untuk meramalkan nilai produksi yang nilai dipengaruhi oleh faktor musiman, seperti produksi hasil pertanian, jasa pariwisata (musim liburan, week end ), dan sejenisnya. Untuk lebih jelasnya, perhatikan contoh berikut ini. Periode Cawu Produksi I II III I II III Berapa produksi cawu I, II, III Th 2006? Bahan Ajar MO_Bab 3 Aris Budi Setyawan 50

10 Jawab : Langkah 1), mencari persamaan peramalannya, seperti pada teknik kuadrat terkecil sebelumnya. periode cawu Produksi (Y) (X) XY X I II III I II III Langkah 2) Y = a + b x a = Y / n = 101 / 6 = 16,83 Y = 16,83 + 0,47X b = XY / X² = 33,70 = 0,47 Langkah 3) Mencari Nilai Trend Tiap Catur Wulan CAWU THN Y NILAI TREND I Y =16,83 + 0,47(-5) = 14, Y =16,83 + 0,47(1) = 17,3 II Dgn Cara yg Sama = 15, Sama = 18,24 Bahan Ajar MO_Bab 3 Aris Budi Setyawan 51

11 III Sama = 16, Y =16,83 + 0,47(5) = 19,18 Langkah 4) Menghitung Rasio Permintaan Terhadap Nilai Trend CAWU THN RASIO RATA RASIO/INDEX MUSIMAN I :14,48 = 1,04 14:17,3 = 0,81 II :15.42 = :18.24 = 1.10 III :16.36 = :19.18 = 1.04 Langkah 5) Meramalkan permintaan tahun 2006 Cawu I Nilai Trend Y = 16,83 + 0,47 (7) = 20,12 Ramalan = 20,12 * 0,925 = 18,61 Cawu II Nilai Trend Y = 16,83 + 0,47 (9) = 21,06 Ramalan = 21,06 * 1,10 = 23,17 Cawu III Nilai Trend Y =? Ramalan =? (Coba sendiri ya ) Bahan Ajar MO_Bab 3 Aris Budi Setyawan 52

12 B. PENDEKATAN KAUSAL Dalam pendekatan ini, ada satu variabel produksi yang tidak bebas (DEPENDENT / Y) & satu/lebih variabel bebas (INDEPENDENT / X). Atau dengan kata lain, diasumsikan nilai produksi yang akan diramalkan, besar kecilnya dipengaruhi oleh beberapa faktor. Untuk Lebih jelasnya perhatikan contoh berikut. Anggap saja ada dugaan bahwa nilai produksi selama ini dipengaruhi oleh Harga bahan baku, jumlah mesin yang rusak, dan jumlah tenaga kerja yang tersedia, seperti tergambar dalam tabel produksi berikut ini : Periode Harga Jumlah mesin Produksi 2007 bahan baku yang rusak Tenaga Kerja 1 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Dalam pendekatan ini, beberapa teknik peramalan produksi yang dapat digunakan antara lain : 1. TEKNIK REGRESI LINIER a. LINIER SEDERHANA (1Y 1X) => Y = a + bx + e a = Y b ( X ) dan b = n ( XY) X. Y n n ( X 2 ) ( X) 2 2. REGRESI LINIER BERGANDA (1Y Banyak X) Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 Bahan Ajar MO_Bab 3 Aris Budi Setyawan 53

13 Nilai a, b1, b2, dan b3 dapat dicari dengan mensubstitusikan : 1. a. n + b 1 X 1 + b 2 X 2 + b 3 X 3 = Y 2 2. a X 1 + b X 1 + b 2 X 1 X 2 + b 3 X 1 X 3 = X 1 Y 2 3. a X 2 + b X 1 X 2 + b 2 X 2 + b 3 X 2 X 3 = X 2 Y 2 4. a X 3 + b X 1 X 3 + b 2 X 2 X 3 + b 3 X 3 = X 3 Y karena itu disaranka menggunakan pakai aplikasi komputer seperti QSB, MICROSTAT, SPSS, Minitab, MS Excel, dll. Dengan menggunakan contoh data tersebut di atas, hasil dari penggunaan aplikasi komputer tersebut adalah sebagai berikut : Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta 1 (constant) HARGA BB MESIN TNG. KERJA E E-02 2 (constant) MESIN TNG. KERJA 4.778E-02 3 (constant) MESIN a. Dependent variable : PRODUKSI t Sig Terlihat dari tebel di atas, bahwa model ke-3 lah yang dapat digunakan sebagai model peramalan produksi, karena dari kolom sig. terlihat semua konstanta dan variabel Jumlah Mesin yang dapat digunakan adalah signifikan mempengaruhi nilai produksi. (karena nilai sig.nya kecil, lebih kecil dari 0,05) Sementara itu, model 1 dan 2 masih memiliki variabel yang tidak signifikan. Bahan Ajar MO_Bab 3 Aris Budi Setyawan 54

14 ANOVA d Model 1 Regression Residual Total 2 Regression Residual Total 3 Regression Residual Total Sum of Squares df Mean Square F Sig a b c a. Predictors : (constant), TNG. KERJA, MESIN, HARGA BAHAN BAKU b. Predictors : (constant), TNG. KERJA, MESIN c. Predictors : (constant), MESIN d. Dependent variabel : PRODUKSI Dari tabel Anova ini juga terlihat bahwa model 3 juga paling baik, karena memiliki nilai signifikan paling kecil (lebih kecil dari 0,05). Sehingga model 3 memang paling layak digunakan untuk meramalkan nilai produksi perusahaan. Dengan demikian model persamaan peramalannya adalah : Nilai Produksi (Y) = Mesin Dari model tersebut dapat dikatakan bahwa, jika tidak ada mesin yang rusak, makan nilai produksi akan sebesar unit. Dan semakin banyak mesin yang rusak, semakin kecil nilai produksi yang bisa dihasilkan. Dari contoh soal di atas, apabila kemudian, persamaan tersebut digunakan untuk melakukan peramalan produksi, maka jika kemudian bulan Januari 2008 tahun selanjutnya, mesin yang rusak adalah sebesar 4 buah mesin, maka nilai produksi yang dapat diramalkan adalah sebesar : Bahan Ajar MO_Bab 3 Aris Budi Setyawan 55

15 AE = E i n Nilai Produksi (Jan 08) = (4) = = unit Model summary Model R R Square a b c 07 Adjusted R Square Std error of the Estimate a. Predictors : (constant), TNG. KERJA, MESIN, HARGA BAHAN BAKU b. Predictors : (constant), TNG. KERJA, MESIN c. Predictors : (constant), MESIN Model Summary di atas semakin memperkuat kesimpulan, bahwa,7 % nilai perusahaan memang dipengaruhi oleh banyak tidaknya mesin yang rusak (lihat kolom R Square). Jadi hanya banyak tidaknya mesin yang rusak-lah yang akan berdampak besar pada nilai produksi perusahaan. PENGUKURAN KESALAHAN PERAMALAN 1. Kesalahan Rata (AE = Average Error) E i : Selisih Hasil Ramalan Dengan Kenyataannya 2. Rata Penyimpangan Absolut (MAD - Mean Absolute Deviation) Bahan Ajar MO_Bab 3 Aris Budi Setyawan 56

16 AE = E i atau Rumus yag lain Kesalahan N -n N n N = Jumlah data n = Periode pergerakan 3. Rata Kesalahan Kuadrat (MSE Mean Square Error) MSE = Ei 2 n 4. Rata Prosentase Kesalahan Absolut (Mape Mean Absolute Percentage Error) AE = E i. 100 n Xi dimana : ei : selisih hasil ramalan dengan data sebenarnya n : jumlah periode X 1 : data sebenarnya Contoh menghitung besarnya kesalahan peramalan dengan MAD (Mean Absolute Deviation) Bahan Ajar MO_Bab 3 Aris Budi Setyawan 57

17 Dari contoh terdahulu (Weight Moving Average) Periode Permintaan Ramalan ei JAN FEB MAR APR MEI JUN JULI 46 43? - - -,2,1,1, ,8 0,1 0,9 + 2,8 AE = E i atau Rumus yag lain Kesalahan N -n N n = 2,8 / ( 6 3 ) = 0,933 Kesimpulan : Bulan Juli diramalkan sebesar,3, dan bila tiap kali meramal terjadi kesalahan sebesar 0,933, maka permintaan bulan Juli diperkirakan antara,3-0,933 x,3 + 0,933 (atau berkisar antara 43,37 sampai dengan,23 unit ). Catatan : Mohon kalau ada yang salah dikonfirmasi ya. Bahan Ajar MO_Bab 3 Aris Budi Setyawan 58